Para trabajar con bases de datos en R se pueden construir o cargar al software. En cualquier caso, la idea es tener un objeto data.frame que el tipo que identifica las bases de datos.
Para construir una base de datos, se debe definir las variables que representan las columnas, y el contenido de cada variable son la representación en cada fila, es importante que todas las variables tengan el mismo tamaño para construir una base de datos consistente.
years <- 1980:2019
nombre <- sample(c("Luisa","Andrés","Camilo","Natalia"),
size = 40,replace = T)
peso <- round(rnorm(40,60,5),2)
estatura <- ifelse(nombre=="Luisa",1.56,
ifelse(nombre=="Andrés",1.78,
ifelse(nombre=="Camilo",1.70,1.68)))
imc <- round(peso/estatura^2,2)Cada variable está asignada de manera independiente, aún no es una base de datos. Para que cumpla con la condición de base de datos es necesario que cada fila de cada variable represente una medición, es decir, si la primera posición del nombre es Camilo entonces las primera posición de las variables year, peso, estatura y imc deben corresponder a Camilo.
Para construir la base de datos, se usa el comando data.frame.
## function (..., row.names = NULL, check.rows = FALSE, check.names = TRUE,
## fix.empty.names = TRUE, stringsAsFactors = default.stringsAsFactors())
## NULL
## years nombre peso estatura imc
## 1 1980 Luisa 72.55 1.56 29.81
## 2 1981 Natalia 61.59 1.68 21.82
## 3 1982 Camilo 53.10 1.70 18.37
## 4 1983 Natalia 53.84 1.68 19.08
## 5 1984 Luisa 58.90 1.56 24.20
## 6 1985 Natalia 63.99 1.68 22.67
## 7 1986 Andrés 65.32 1.78 20.62
## 8 1987 Andrés 65.55 1.78 20.69
## 9 1988 Luisa 70.57 1.56 29.00
## 10 1989 Luisa 60.13 1.56 24.71
## 11 1990 Luisa 64.11 1.56 26.34
## 12 1991 Luisa 62.41 1.56 25.65
## 13 1992 Camilo 62.29 1.70 21.55
## 14 1993 Luisa 59.91 1.56 24.62
## 15 1994 Camilo 57.99 1.70 20.07
## 16 1995 Camilo 61.83 1.70 21.39
## 17 1996 Natalia 60.36 1.68 21.39
## 18 1997 Camilo 55.91 1.70 19.35
## 19 1998 Andrés 54.78 1.78 17.29
## 20 1999 Andrés 61.29 1.78 19.34
## 21 2000 Natalia 61.41 1.68 21.76
## 22 2001 Natalia 55.49 1.68 19.66
## 23 2002 Luisa 64.77 1.56 26.61
## 24 2003 Natalia 68.41 1.68 24.24
## 25 2004 Natalia 65.23 1.68 23.11
## 26 2005 Natalia 57.22 1.68 20.27
## 27 2006 Andrés 71.91 1.78 22.70
## 28 2007 Luisa 53.99 1.56 22.19
## 29 2008 Camilo 63.89 1.70 22.11
## 30 2009 Natalia 66.62 1.68 23.60
## 31 2010 Andrés 60.07 1.78 18.96
## 32 2011 Luisa 56.13 1.56 23.06
## 33 2012 Camilo 65.64 1.70 22.71
## 34 2013 Camilo 55.23 1.70 19.11
## 35 2014 Andrés 55.95 1.78 17.66
## 36 2015 Camilo 62.56 1.70 21.65
## 37 2016 Camilo 54.86 1.70 18.98
## 38 2017 Camilo 62.11 1.70 21.49
## 39 2018 Andrés 57.36 1.78 18.10
## 40 2019 Andrés 50.75 1.78 16.02
## 'data.frame': 40 obs. of 5 variables:
## $ years : int 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 ...
## $ nombre : Factor w/ 4 levels "Andrés","Camilo",..: 3 4 2 4 3 4 1 1 3 3 ...
## $ peso : num 72.5 61.6 53.1 53.8 58.9 ...
## $ estatura: num 1.56 1.68 1.7 1.68 1.56 1.68 1.78 1.78 1.56 1.56 ...
## $ imc : num 29.8 21.8 18.4 19.1 24.2 ...
Con la base de datos creada se puede manipular más fácil, para ingresar a las filas y columnas se trabaja similar a las matrices.
## [1] 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 1993 1994
## [16] 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009
## [31] 2010 2011 2012 2013 2014 2015 2016 2017 2018 2019
## [1] Luisa Natalia Camilo Natalia Luisa Natalia Andrés Andrés Luisa
## [10] Luisa Luisa Luisa Camilo Luisa Camilo Camilo Natalia Camilo
## [19] Andrés Andrés Natalia Natalia Luisa Natalia Natalia Natalia Andrés
## [28] Luisa Camilo Natalia Andrés Luisa Camilo Camilo Andrés Camilo
## [37] Camilo Camilo Andrés Andrés
## Levels: Andrés Camilo Luisa Natalia
## years nombre peso estatura imc
## 8 1987 Andrés 65.55 1.78 20.69
## 9 1988 Luisa 70.57 1.56 29.00
## 10 1989 Luisa 60.13 1.56 24.71
## 11 1990 Luisa 64.11 1.56 26.34
## 12 1991 Luisa 62.41 1.56 25.65
## 13 1992 Camilo 62.29 1.70 21.55
## 14 1993 Luisa 59.91 1.56 24.62
## 15 1994 Camilo 57.99 1.70 20.07
## 16 1995 Camilo 61.83 1.70 21.39
## 17 1996 Natalia 60.36 1.68 21.39
## 18 1997 Camilo 55.91 1.70 19.35
## 19 1998 Andrés 54.78 1.78 17.29
## 20 1999 Andrés 61.29 1.78 19.34
## 21 2000 Natalia 61.41 1.68 21.76
## 22 2001 Natalia 55.49 1.68 19.66
## 23 2002 Luisa 64.77 1.56 26.61
## 24 2003 Natalia 68.41 1.68 24.24
## years peso imc
## 1 1980 72.55 29.81
## 2 1981 61.59 21.82
## 3 1982 53.10 18.37
## 4 1983 53.84 19.08
## 5 1984 58.90 24.20
## 6 1985 63.99 22.67
## 7 1986 65.32 20.62
## 8 1987 65.55 20.69
## 9 1988 70.57 29.00
## 10 1989 60.13 24.71
## 11 1990 64.11 26.34
## 12 1991 62.41 25.65
## 13 1992 62.29 21.55
## 14 1993 59.91 24.62
## 15 1994 57.99 20.07
## 16 1995 61.83 21.39
## 17 1996 60.36 21.39
## 18 1997 55.91 19.35
## 19 1998 54.78 17.29
## 20 1999 61.29 19.34
## 21 2000 61.41 21.76
## 22 2001 55.49 19.66
## 23 2002 64.77 26.61
## 24 2003 68.41 24.24
## 25 2004 65.23 23.11
## 26 2005 57.22 20.27
## 27 2006 71.91 22.70
## 28 2007 53.99 22.19
## 29 2008 63.89 22.11
## 30 2009 66.62 23.60
## 31 2010 60.07 18.96
## 32 2011 56.13 23.06
## 33 2012 65.64 22.71
## 34 2013 55.23 19.11
## 35 2014 55.95 17.66
## 36 2015 62.56 21.65
## 37 2016 54.86 18.98
## 38 2017 62.11 21.49
## 39 2018 57.36 18.10
## 40 2019 50.75 16.02
## years imc
## 1 1980 29.81
## 2 1981 21.82
## 3 1982 18.37
## 4 1983 19.08
## 5 1984 24.20
## 6 1985 22.67
## 7 1986 20.62
## 8 1987 20.69
## 9 1988 29.00
## 10 1989 24.71
## 11 1990 26.34
## 12 1991 25.65
## 13 1992 21.55
## 14 1993 24.62
## 15 1994 20.07
## 16 1995 21.39
## 17 1996 21.39
## 18 1997 19.35
## 19 1998 17.29
## 20 1999 19.34
## 21 2000 21.76
## 22 2001 19.66
## 23 2002 26.61
## 24 2003 24.24
## 25 2004 23.11
## 26 2005 20.27
## 27 2006 22.70
## 28 2007 22.19
## 29 2008 22.11
## 30 2009 23.60
## 31 2010 18.96
## 32 2011 23.06
## 33 2012 22.71
## 34 2013 19.11
## 35 2014 17.66
## 36 2015 21.65
## 37 2016 18.98
## 38 2017 21.49
## 39 2018 18.10
## 40 2019 16.02
R maneja casi cualquier tipo de archivo de bases de datos, pero su formato de creación de base de datos es .Rds o .RData, en el paquete base y utilsexiste una colección de funciones para leer marcos de datos.
## [1] "read.dcf" "readBin" "readChar" "readline" "readLines"
## [6] "readRDS" "readRenviron" "Sys.readlink"
## [1] "read.csv" "read.csv2" "read.delim" "read.delim2"
## [5] "read.DIF" "read.fortran" "read.fwf" "read.socket"
## [9] "read.table" "readCitationFile" "readClipboard" "readRegistry"
Para cargar otras extensiones de bases de datos es necesario utilizar paquetes.
# Para otros Software de estadística (Minitab, SAS, Stata, SPSS)
install.packages("haven",dependencies = T)
install.packages("foreign",dependencies = T)
# Archivos de excel
install.packages("xlsx",dependencies = T) # Requiere Java
install.packages("readxl",dependencies = T)
install.packages("openxlsx",dependencies = T)
# SQL
install.packages("sqldf",dependencies = T)Para trabajar con SQL en R se recomienda leer el artículo de Josh Errickson y las notas de Data Carpentry.
La base de datos de el ICFES 2015-02 está disponible en Excel, todos los ejemplos que acontinuación se muestran se trabajan con esta base de datos.
Si el archivo tiene la extensión .xlsx se utiliza los siguientes comandos:
# Con xlsx
Icfes <- read.xlsx(file = "ICFES20152.xlsx",sheetName = 1,encoding = "UTF-8")
Icfes <- read.xlsx2(file = "ICFES20152.xls",sheetIndex = 1)
# Con readxl
Icfes <- read_xlsx(path = "ICFES20152.xlsx")
# Con openxlsx
Icfes <- read.xlsx(file = "ICFES20152.xlsx",sheet = 1)Para cargar los archivos de esta manera es necesario que se encuentren alojados en la carpeta de trabajo que puede verificar con el comand getwd(), y para asignar una nuava ruta se utiliza el comando setwd(). Una función muy útil para buscar carpetas es choose.dir(), y para seleccionar una archivo específico file.choose().
# CSV
Icfes <- read.csv(file.choose(),sep = ",")
# Con xlsx
Icfes <- read.xlsx(file = file.choose(),sheetName = 1,encoding = "UTF-8")
Icfes <- read.xlsx2(file = file.choose(),sheetIndex = 1)
# Con readxl
Icfes <- read_xlsx(path = file.choose())
# Con openxlsx
Icfes <- read.xlsx(file = file.choose(),sheet = 1)## # A tibble: 12,162 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 142133 I.E. INTERNADO ~ 91263 EL ENCANTO AMAZONAS
## 2 087445 I.E. COLEGIO IN~ 91405 LA CHORRERA AMAZONAS
## 3 117127 I.E. INTERNADO ~ 91407 LA PEDRERA AMAZONAS
## 4 019109 I.E. ESCUELA NO~ 91001 LETICIA AMAZONAS
## 5 038919 I.E. INEM JOSE ~ 91001 LETICIA AMAZONAS
## 6 065482 I.E. INDIGENA S~ 91001 LETICIA AMAZONAS
## 7 065490 COL FEMENINO MA~ 91001 LETICIA AMAZONAS
## 8 087429 COL CRISTO REY 91001 LETICIA AMAZONAS
## 9 093229 I.E. COLEGIO TE~ 91001 LETICIA AMAZONAS
## 10 117358 I.E. SAGRADO CO~ 91001 LETICIA AMAZONAS
## # ... with 12,152 more rows, and 19 more variables: CALENDARIO <chr>,
## # NATURALEZA <chr>, JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
## [1] 12162 24
## [1] 24
## [1] "CODINST" "NOMBREINSTITUCION"
## [3] "CODIGOMUNICIPIO" "NOMBREMUNICIPIO"
## [5] "DEPARTAMENTO" "CALENDARIO"
## [7] "NATURALEZA" "JORNADA"
## [9] "EVALUADOS" "PROMLECTURACRITICA"
## [11] "PROMMATEMATICA" "PROMSOCIALESYCIUDADANAS"
## [13] "PROMCIENCIASNATURALES" "PROMINGLES"
## [15] "PROMRAZONAMIENTOCUANTITA" "PROMCOMPETENCIASCIUDADAN"
## [17] "DESVLECTURACRITICA" "DESVMATEMATICA"
## [19] "DESVSOCIALESYCIUDADANAS" "DESVCIENCIASNATURALES"
## [21] "DESVINGLES" "DESVRAZONAMIENTOCUANTITA"
## [23] "DESVCOMPETENCIASCIUDADAN" "PERIODO"
## # A tibble: 3 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 142133 I.E. INTERNADO ~ 91263 EL ENCANTO AMAZONAS
## 2 087445 I.E. COLEGIO IN~ 91405 LA CHORRERA AMAZONAS
## 3 117127 I.E. INTERNADO ~ 91407 LA PEDRERA AMAZONAS
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## # JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
## # A tibble: 3 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 135020 JOSÉ CELESTINO ~ 99001 PUERTO CARREÑO VICHADA
## 2 167981 I.E. MARIA INMA~ 99001 PUERTO CARREÑO VICHADA
## 3 037440 I.E. INTERNADO ~ 99624 SANTA ROSALIA VICHADA
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## # JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
## tibble [12,162 x 24] (S3: tbl_df/tbl/data.frame)
## $ CODINST : chr [1:12162] "142133" "087445" "117127" "019109" ...
## $ NOMBREINSTITUCION : chr [1:12162] "I.E. INTERNADO SAN RAFAEL DEL CARAPARANA - SEDE PRINCIPAL" "I.E. COLEGIO INDIGENA CASA DEL CONOCIMIENTO - SEDE PRINCIPAL" "I.E. INTERNADO INDIGENA SAN JOSÉ - SEDE PRINCIPAL" "I.E. ESCUELA NORMAL SUPERIOR MARCELIANO EDUARDO CANYES SANTACANA - SEDE PRINCIPAL" ...
## $ CODIGOMUNICIPIO : chr [1:12162] "91263" "91405" "91407" "91001" ...
## $ NOMBREMUNICIPIO : chr [1:12162] "EL ENCANTO" "LA CHORRERA" "LA PEDRERA" "LETICIA" ...
## $ DEPARTAMENTO : chr [1:12162] "AMAZONAS" "AMAZONAS" "AMAZONAS" "AMAZONAS" ...
## $ CALENDARIO : chr [1:12162] "A" "A" "A" "A" ...
## $ NATURALEZA : chr [1:12162] "OFICIAL" "OFICIAL" "OFICIAL" "OFICIAL" ...
## $ JORNADA : chr [1:12162] "MAÑANA" "MAÑANA" "COMPLETA U ORDINARIA" "MAÑANA" ...
## $ EVALUADOS : num [1:12162] 21 38 31 89 134 75 14 18 45 61 ...
## $ PROMLECTURACRITICA : num [1:12162] 42.5 40.1 39.9 49.9 45.9 ...
## $ PROMMATEMATICA : num [1:12162] 42 40.2 39.5 47.6 44 ...
## $ PROMSOCIALESYCIUDADANAS : num [1:12162] 43.7 41.3 38.8 50.3 47 ...
## $ PROMCIENCIASNATURALES : num [1:12162] 44.2 41.8 42.7 49.5 46.5 ...
## $ PROMINGLES : num [1:12162] 46 43.6 43.8 47.8 46.6 ...
## $ PROMRAZONAMIENTOCUANTITA: num [1:12162] 41.8 40.3 39.7 48 45 ...
## $ PROMCOMPETENCIASCIUDADAN: num [1:12162] 42 39 37.7 49.4 46.4 ...
## $ DESVLECTURACRITICA : num [1:12162] 5.78 6.01 5.98 7.94 7.88 6.22 6.28 9.65 6.6 8.02 ...
## $ DESVMATEMATICA : num [1:12162] 7.37 7.43 9.04 9.5 8.41 ...
## $ DESVSOCIALESYCIUDADANAS : num [1:12162] 7.52 7.72 8.56 9.38 8.22 ...
## $ DESVCIENCIASNATURALES : num [1:12162] 5.94 5.23 5.32 6.81 6.44 ...
## $ DESVINGLES : num [1:12162] 6.72 4.48 5.42 7.49 6.13 ...
## $ DESVRAZONAMIENTOCUANTITA: num [1:12162] 8.23 7.57 9.3 10.42 8.9 ...
## $ DESVCOMPETENCIASCIUDADAN: num [1:12162] 7.1 7.27 6.77 8.95 8.24 ...
## $ PERIODO : chr [1:12162] "20152" "20152" "20152" "20152" ...
## [1] "tbl_df" "tbl" "data.frame"
## [1] "character"
## CODINST NOMBREINSTITUCION CODIGOMUNICIPIO NOMBREMUNICIPIO
## Length:12162 Length:12162 Length:12162 Length:12162
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## DEPARTAMENTO CALENDARIO NATURALEZA JORNADA
## Length:12162 Length:12162 Length:12162 Length:12162
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## EVALUADOS PROMLECTURACRITICA PROMMATEMATICA PROMSOCIALESYCIUDADANAS
## Min. : 1.00 Min. :28.00 Min. : 24.50 Min. :21.00
## 1st Qu.: 17.00 1st Qu.:44.74 1st Qu.: 43.57 1st Qu.:43.98
## Median : 32.00 Median :48.19 Median : 48.00 Median :48.32
## Mean : 44.95 Mean :48.66 Mean : 48.80 Mean :48.64
## 3rd Qu.: 60.00 3rd Qu.:51.77 3rd Qu.: 52.63 3rd Qu.:52.59
## Max. :987.00 Max. :77.00 Max. :100.00 Max. :83.00
## PROMCIENCIASNATURALES PROMINGLES PROMRAZONAMIENTOCUANTITA
## Min. :25.00 Min. :25.00 Min. : 21.50
## 1st Qu.:44.59 1st Qu.:45.27 1st Qu.: 44.05
## Median :48.47 Median :47.51 Median : 48.94
## Mean :49.03 Mean :49.63 Mean : 49.67
## 3rd Qu.:52.45 3rd Qu.:51.27 3rd Qu.: 53.95
## Max. :85.95 Max. :97.00 Max. :100.00
## PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA DESVMATEMATICA
## Min. :22.00 Min. : 0.000 Min. : 0.000
## 1st Qu.:44.22 1st Qu.: 6.540 1st Qu.: 7.880
## Median :48.13 Median : 7.470 Median : 9.020
## Mean :48.27 Mean : 7.406 Mean : 9.056
## 3rd Qu.:51.92 3rd Qu.: 8.320 3rd Qu.:10.260
## Max. :76.00 Max. :21.920 Max. :31.820
## DESVSOCIALESYCIUDADANAS DESVCIENCIASNATURALES DESVINGLES
## Min. : 0.000 Min. : 0.000 Min. : 0.000
## 1st Qu.: 8.140 1st Qu.: 6.560 1st Qu.: 5.620
## Median : 9.060 Median : 7.580 Median : 6.840
## Mean : 8.984 Mean : 7.541 Mean : 7.501
## 3rd Qu.: 9.970 3rd Qu.: 8.550 3rd Qu.: 8.940
## Max. :28.000 Max. :20.510 Max. :27.790
## DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN PERIODO
## Min. : 0.00 Min. : 0.000 Length:12162
## 1st Qu.: 8.94 1st Qu.: 7.400 Class :character
## Median :10.30 Median : 8.240 Mode :character
## Mean :10.33 Mean : 8.172
## 3rd Qu.:11.76 3rd Qu.: 9.080
## Max. :32.19 Max. :23.330
El operador $ sirve para extraer las variables del data.frame, siepre y cuando la base de datos posea nombres.
## [1] "write" "write.dcf" "writeBin" "writeChar" "writeLines"
## [1] "aspell_write_personal_dictionary_file"
## [2] "write.csv"
## [3] "write.csv2"
## [4] "write.socket"
## [5] "write.table"
## [6] "writeClipboard"
## [1] "write.xlsx" "write.xlsx2"
## [1] "write_dta" "write_sas" "write_sav" "write_xpt"
## [1] "write.arff" "write.dbf" "write.dta" "write.foreign"
applyapply() Aplica la función sobre un la marginal de un arreglo o matriz.
## [,1] [,2]
## [1,] 1 11
## [2,] 2 12
## [3,] 3 13
## [4,] 4 14
## [5,] 5 15
## [6,] 6 16
## [7,] 7 17
## [8,] 8 18
## [9,] 9 19
## [10,] 10 20
## [1] 6 7 8 9 10 11 12 13 14 15
## [1] 5.5 15.5
## [,1] [,2]
## [1,] 0.5 5.5
## [2,] 1.0 6.0
## [3,] 1.5 6.5
## [4,] 2.0 7.0
## [5,] 2.5 7.5
## [6,] 3.0 8.0
## [7,] 3.5 8.5
## [8,] 4.0 9.0
## [9,] 4.5 9.5
## [10,] 5.0 10.0
## CODINST NOMBREINSTITUCION CODIGOMUNICIPIO
## 12162 12162 12162
## NOMBREMUNICIPIO DEPARTAMENTO CALENDARIO
## 12162 12162 12162
## NATURALEZA JORNADA EVALUADOS
## 12162 12162 12162
## PROMLECTURACRITICA PROMMATEMATICA PROMSOCIALESYCIUDADANAS
## 12162 12162 12162
## PROMCIENCIASNATURALES PROMINGLES PROMRAZONAMIENTOCUANTITA
## 12162 12162 12162
## PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA DESVMATEMATICA
## 12162 12162 12162
## DESVSOCIALESYCIUDADANAS DESVCIENCIASNATURALES DESVINGLES
## 12162 12162 12162
## DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN PERIODO
## 12162 12162 12162
## EVALUADOS PROMLECTURACRITICA PROMMATEMATICA
## 44.947788 48.655567 48.799209
## PROMSOCIALESYCIUDADANAS PROMCIENCIASNATURALES PROMINGLES
## 48.636474 49.025593 49.633360
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA
## 49.672010 48.267984 7.406274
## DESVMATEMATICA
## 9.055529
## EVALUADOS PROMLECTURACRITICA PROMMATEMATICA
## 43.843946 5.573827 7.580989
## PROMSOCIALESYCIUDADANAS PROMCIENCIASNATURALES PROMINGLES
## 6.649614 6.260166 7.269747
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA
## 8.120015 5.730609 1.731647
## DESVMATEMATICA
## 2.219776
by() Aplica la función sobre una división de una base de datos (data.frame) por un factor.
## Icfes$CALENDARIO: A
## EVALUADOS PROMLECTURACRITICA PROMMATEMATICA
## 45.393267 48.601547 48.741677
## PROMSOCIALESYCIUDADANAS PROMCIENCIASNATURALES PROMINGLES
## 48.589383 48.972063 49.514758
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA
## 49.612257 48.229033 7.436473
## DESVMATEMATICA
## 9.091584
## ------------------------------------------------------------
## Icfes$CALENDARIO: B
## EVALUADOS PROMLECTURACRITICA PROMMATEMATICA
## 16.685864 52.229529 52.711885
## PROMSOCIALESYCIUDADANAS PROMCIENCIASNATURALES PROMINGLES
## 51.758220 52.761885 56.728743
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA
## 53.712199 50.859634 5.469215
## DESVMATEMATICA
## 6.880628
## ------------------------------------------------------------
## Icfes$CALENDARIO: O
## EVALUADOS PROMLECTURACRITICA PROMMATEMATICA
## 47.566667 47.403333 46.788333
## PROMSOCIALESYCIUDADANAS PROMCIENCIASNATURALES PROMINGLES
## 47.505333 46.544667 51.666667
## PROMRAZONAMIENTOCUANTITA PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA
## 47.733333 47.271667 7.718667
## DESVMATEMATICA
## 8.551333
lapply() Aplica una función sobre una lista o un vector.
## $a
## [1] 5.5
##
## $b
## [1] 15.5
## $a
## [1] 55
##
## $b
## [1] 155
## $CODINST
## Length Class Mode
## 12162 character character
##
## $NOMBREINSTITUCION
## Length Class Mode
## 12162 character character
##
## $CODIGOMUNICIPIO
## Length Class Mode
## 12162 character character
##
## $NOMBREMUNICIPIO
## Length Class Mode
## 12162 character character
##
## $DEPARTAMENTO
## Length Class Mode
## 12162 character character
##
## $CALENDARIO
## Length Class Mode
## 12162 character character
##
## $NATURALEZA
## Length Class Mode
## 12162 character character
##
## $JORNADA
## Length Class Mode
## 12162 character character
##
## $EVALUADOS
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 1.00 17.00 32.00 44.95 60.00 987.00
##
## $PROMLECTURACRITICA
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 28.00 44.74 48.19 48.66 51.77 77.00
##
## $PROMMATEMATICA
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 24.50 43.57 48.00 48.80 52.63 100.00
##
## $PROMSOCIALESYCIUDADANAS
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 21.00 43.98 48.32 48.64 52.59 83.00
##
## $PROMCIENCIASNATURALES
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 25.00 44.59 48.47 49.03 52.45 85.95
##
## $PROMINGLES
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 25.00 45.27 47.51 49.63 51.27 97.00
##
## $PROMRAZONAMIENTOCUANTITA
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 21.50 44.05 48.94 49.67 53.95 100.00
##
## $PROMCOMPETENCIASCIUDADAN
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 22.00 44.22 48.13 48.27 51.92 76.00
##
## $DESVLECTURACRITICA
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 6.540 7.470 7.406 8.320 21.920
##
## $DESVMATEMATICA
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 7.880 9.020 9.056 10.260 31.820
##
## $DESVSOCIALESYCIUDADANAS
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 8.140 9.060 8.984 9.970 28.000
##
## $DESVCIENCIASNATURALES
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 6.560 7.580 7.541 8.550 20.510
##
## $DESVINGLES
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 5.620 6.840 7.501 8.940 27.790
##
## $DESVRAZONAMIENTOCUANTITA
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.00 8.94 10.30 10.33 11.76 32.19
##
## $DESVCOMPETENCIASCIUDADAN
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 0.000 7.400 8.240 8.172 9.080 23.330
##
## $PERIODO
## Length Class Mode
## 12162 character character
sapply() Aplica una función sobre una lista o un vector y si el resultado se puede simplificar en un formato más simple, lo hace.
## a b
## 5.5 15.5
## a b
## 55 155
## CODINST NOMBREINSTITUCION CODIGOMUNICIPIO
## NA NA NA
## NOMBREMUNICIPIO DEPARTAMENTO CALENDARIO
## NA NA NA
## NATURALEZA JORNADA EVALUADOS
## NA NA 44.947788
## PROMLECTURACRITICA PROMMATEMATICA PROMSOCIALESYCIUDADANAS
## 48.655567 48.799209 48.636474
## PROMCIENCIASNATURALES PROMINGLES PROMRAZONAMIENTOCUANTITA
## 49.025593 49.633360 49.672010
## PROMCOMPETENCIASCIUDADAN DESVLECTURACRITICA DESVMATEMATICA
## 48.267984 7.406274 9.055529
## DESVSOCIALESYCIUDADANAS DESVCIENCIASNATURALES DESVINGLES
## 8.984044 7.540577 7.500546
## DESVRAZONAMIENTOCUANTITA DESVCOMPETENCIASCIUDADAN PERIODO
## 10.327338 8.171681 NA
vapply() Aplica la función sobre una lista y devuelve el resultado de acuerdo a un formato indicado.
l <- list(a = 1:10, b = 11:20)
lFivenum <- vapply(l,
fivenum,
c(Min. = 0, "1er Cuart." = 0,
Mediana = 0, "3er Cuart." = 0, Max. = 0))
class(lFivenum)## [1] "matrix"
## a b
## Min. 1.0 11.0
## 1er Cuart. 3.0 13.0
## Mediana 5.5 15.5
## 3er Cuart. 8.0 18.0
## Max. 10.0 20.0
QuantIcfes <- vapply(Icfes[,9:23],
quantile,
c(Min. = 0, "1er Cuart." = 0,
Mediana = 0, "3er Cuart." = 0, Max. = 0))
t(QuantIcfes)## Min. 1er Cuart. Mediana 3er Cuart. Max.
## EVALUADOS 1.0 17.00 32.000 60.0000 987.00
## PROMLECTURACRITICA 28.0 44.74 48.190 51.7675 77.00
## PROMMATEMATICA 24.5 43.57 48.000 52.6300 100.00
## PROMSOCIALESYCIUDADANAS 21.0 43.98 48.320 52.5900 83.00
## PROMCIENCIASNATURALES 25.0 44.59 48.470 52.4500 85.95
## PROMINGLES 25.0 45.27 47.505 51.2700 97.00
## PROMRAZONAMIENTOCUANTITA 21.5 44.05 48.935 53.9500 100.00
## PROMCOMPETENCIASCIUDADAN 22.0 44.22 48.130 51.9175 76.00
## DESVLECTURACRITICA 0.0 6.54 7.470 8.3200 21.92
## DESVMATEMATICA 0.0 7.88 9.020 10.2600 31.82
## DESVSOCIALESYCIUDADANAS 0.0 8.14 9.060 9.9700 28.00
## DESVCIENCIASNATURALES 0.0 6.56 7.580 8.5500 20.51
## DESVINGLES 0.0 5.62 6.840 8.9400 27.79
## DESVRAZONAMIENTOCUANTITA 0.0 8.94 10.300 11.7600 32.19
## DESVCOMPETENCIASCIUDADAN 0.0 7.40 8.240 9.0800 23.33
mapply() Es la versión multivariada de lapply y sapply. Aplica la función a los elementos correspondientes de múltiples listas.
l1 <- list(a = c(1:10), b = c(11:20))
l2 <- list(c = c(21:30), d = c(31:40))
mapply(sum, l1$a, l1$b, l2$c, l2$d)## [1] 64 68 72 76 80 84 88 92 96 100
## a b
## 310 510
## [1] 64 68 72 76 80 84 88 92 96 100 74 78 82 86 90 94 98 102 106
## [20] 110
## [1] 0.24 -0.08 -0.23 -0.36 -0.99 0.30 -0.50 -1.50 0.49 -1.07 -0.18 0.40
## [13] -2.30 -0.60 0.03 -0.32 3.50 -0.26 0.39 -1.76 0.68 -0.17 -0.67 -2.20
## [25] -0.87 -2.37 -0.41 0.20 -0.29 -0.68
tapply() Aplica la función sobre un vector, de acuerdo a una clasificación de la variable tipo factor.
## COMPLETA U ORDINARIA MAÑANA NOCHE
## 37.73148 49.74110 34.91196
## SABATINA - DOMINICAL TARDE
## 35.92033 53.13094
## COMPLETA U ORDINARIA MAÑANA NOCHE
## 54.80120 49.65380 42.64660
## SABATINA - DOMINICAL TARDE
## 42.56121 49.44264
En el universo de tidyverse la programación vía tuberías es la principal novedad.
# Muestra aleatoria de resultados del ICFES
aux <- sample(dim(Icfes)[1],size = 2000)
library(dplyr)
Icfes2 <- tbl_df(Icfes[aux,])Filtrar una base de datos
## # A tibble: 73 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 117390 INST EDUC CAMIL~ 05001 MEDELLIN ANTIOQUIA
## 2 000653 INST COLOMBO VE~ 05001 MEDELLIN ANTIOQUIA
## 3 000398 COL NUESTRA MAD~ 05001 MEDELLIN ANTIOQUIA
## 4 119933 INST EDUC SAN R~ 05001 MEDELLIN ANTIOQUIA
## 5 179309 COL BASICO CAMI~ 05001 MEDELLIN ANTIOQUIA
## 6 089870 INST EDUC FINCA~ 05001 MEDELLIN ANTIOQUIA
## 7 150615 COL HERALDOS DE~ 05001 MEDELLIN ANTIOQUIA
## 8 095950 COL MILIT GENER~ 05001 MEDELLIN ANTIOQUIA
## 9 000364 COL MARIA AUXIL~ 05001 MEDELLIN ANTIOQUIA
## 10 107771 INST EDUC OCTAV~ 05001 MEDELLIN ANTIOQUIA
## # ... with 63 more rows, and 19 more variables: CALENDARIO <chr>,
## # NATURALEZA <chr>, JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
## # A tibble: 73 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 117390 INST EDUC CAMIL~ 05001 MEDELLIN ANTIOQUIA
## 2 000653 INST COLOMBO VE~ 05001 MEDELLIN ANTIOQUIA
## 3 000398 COL NUESTRA MAD~ 05001 MEDELLIN ANTIOQUIA
## 4 119933 INST EDUC SAN R~ 05001 MEDELLIN ANTIOQUIA
## 5 179309 COL BASICO CAMI~ 05001 MEDELLIN ANTIOQUIA
## 6 089870 INST EDUC FINCA~ 05001 MEDELLIN ANTIOQUIA
## 7 150615 COL HERALDOS DE~ 05001 MEDELLIN ANTIOQUIA
## 8 095950 COL MILIT GENER~ 05001 MEDELLIN ANTIOQUIA
## 9 000364 COL MARIA AUXIL~ 05001 MEDELLIN ANTIOQUIA
## 10 107771 INST EDUC OCTAV~ 05001 MEDELLIN ANTIOQUIA
## # ... with 63 more rows, and 19 more variables: CALENDARIO <chr>,
## # NATURALEZA <chr>, JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
Selección de posiciones específicas de una base de datos
## # A tibble: 11 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 157735 I.E.R.D. LIMONC~ 25513 PACHO CUNDINAMARCA
## 2 117812 GUILLERMO RIOS ~ 18753 SAN VICENTE DE~ CAQUETA
## 3 049437 I.E. AGRICOLA A~ 15131 CALDAS BOYACA
## 4 071282 COLEGIO SAN JOS~ 13836 TURBACO BOLIVAR
## 5 170126 COL TRIANGULO 25290 FUSAGASUGA CUNDINAMARCA
## 6 164343 SEDE 1 TAPIAS 73001 IBAGUE TOLIMA
## 7 129692 INSTITUTO REGIO~ 05055 ARGELIA ANTIOQUIA
## 8 051169 COL MARCOS GARC~ 54099 BOCHALEMA NORTE SANTA~
## 9 129791 INSTITUTO REGIO~ 05315 GUADALUPE ANTIOQUIA
## 10 040667 IE SANTO DOMING~ 23168 CHIMA CORDOBA
## 11 188532 CENTRO EDUCATIV~ 52399 LA UNION NARIÑO
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## # JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
## # A tibble: 11 x 24
## CODINST NOMBREINSTITUCI~ CODIGOMUNICIPIO NOMBREMUNICIPIO DEPARTAMENTO
## <chr> <chr> <chr> <chr> <chr>
## 1 157735 I.E.R.D. LIMONC~ 25513 PACHO CUNDINAMARCA
## 2 117812 GUILLERMO RIOS ~ 18753 SAN VICENTE DE~ CAQUETA
## 3 049437 I.E. AGRICOLA A~ 15131 CALDAS BOYACA
## 4 071282 COLEGIO SAN JOS~ 13836 TURBACO BOLIVAR
## 5 170126 COL TRIANGULO 25290 FUSAGASUGA CUNDINAMARCA
## 6 164343 SEDE 1 TAPIAS 73001 IBAGUE TOLIMA
## 7 129692 INSTITUTO REGIO~ 05055 ARGELIA ANTIOQUIA
## 8 051169 COL MARCOS GARC~ 54099 BOCHALEMA NORTE SANTA~
## 9 129791 INSTITUTO REGIO~ 05315 GUADALUPE ANTIOQUIA
## 10 040667 IE SANTO DOMING~ 23168 CHIMA CORDOBA
## 11 188532 CENTRO EDUCATIV~ 52399 LA UNION NARIÑO
## # ... with 19 more variables: CALENDARIO <chr>, NATURALEZA <chr>,
## # JORNADA <chr>, EVALUADOS <dbl>, PROMLECTURACRITICA <dbl>,
## # PROMMATEMATICA <dbl>, PROMSOCIALESYCIUDADANAS <dbl>,
## # PROMCIENCIASNATURALES <dbl>, PROMINGLES <dbl>,
## # PROMRAZONAMIENTOCUANTITA <dbl>, PROMCOMPETENCIASCIUDADAN <dbl>,
## # DESVLECTURACRITICA <dbl>, DESVMATEMATICA <dbl>,
## # DESVSOCIALESYCIUDADANAS <dbl>, DESVCIENCIASNATURALES <dbl>,
## # DESVINGLES <dbl>, DESVRAZONAMIENTOCUANTITA <dbl>,
## # DESVCOMPETENCIASCIUDADAN <dbl>, PERIODO <chr>
Ordenar la base de datos
Seleccion de columnas
Elementos o registros únicos
## # A tibble: 33 x 1
## DEPARTAMENTO
## <chr>
## 1 ATLANTICO
## 2 NORTE SANTANDER
## 3 CHOCO
## 4 SUCRE
## 5 BOGOTA
## 6 ANTIOQUIA
## 7 BOLIVAR
## 8 RISARALDA
## 9 HUILA
## 10 ARAUCA
## # ... with 23 more rows
## # A tibble: 33 x 1
## DEPARTAMENTO
## <chr>
## 1 ATLANTICO
## 2 NORTE SANTANDER
## 3 CHOCO
## 4 SUCRE
## 5 BOGOTA
## 6 ANTIOQUIA
## 7 BOLIVAR
## 8 RISARALDA
## 9 HUILA
## 10 ARAUCA
## # ... with 23 more rows
Adicionar una nueva columna
Resumir variables o consolidar valores
## # A tibble: 1 x 1
## `mean(PROMMATEMATICA)`
## <dbl>
## 1 48.9
## # A tibble: 1 x 1
## `mean(PROMMATEMATICA)`
## <dbl>
## 1 48.9
Combinación de “verbos” en base de datos
agrupados_deptos <- group_by(Icfes2, DEPARTAMENTO)
promedio_depto <- summarise(agrupados_deptos, mean(PROMMATEMATICA))
promedio_deptoMediante encadenamiento de verbos
Icfes2 %>%
group_by(DEPARTAMENTO) %>%
select(PROMMATEMATICA:PROMCOMPETENCIASCIUDADAN) %>%
summarise_if(is.numeric,mean)Combinación de manejo de datos
Icfes2 %>%
mutate(promTotal = rowMeans(.[10:16])) %>%
group_by(CODIGOMUNICIPIO) %>%
arrange(desc(promTotal)) %>%
select(NOMBREINSTITUCION, NOMBREMUNICIPIO, DEPARTAMENTO, promTotal) %>%
slice(1:3)¿Cuántas Instituciones Educativas tiene cada municipio?
Icfes2 %>%
group_by(CODIGOMUNICIPIO, NOMBREMUNICIPIO, DEPARTAMENTO) %>%
summarise(n = n()) %>%
select(DEPARTAMENTO, NOMBREMUNICIPIO, n) %>%
group_by(DEPARTAMENTO) %>%
arrange(desc(n))library(ggplot2)
Icfes2 %>%
ggplot(aes(x = PROMLECTURACRITICA,y = PROMMATEMATICA,
fill=JORNADA,colour=JORNADA))+
geom_point()
Icfes2 %>%
ggplot(aes(x = PROMLECTURACRITICA,y = PROMMATEMATICA,
fill=JORNADA,colour=JORNADA))+
geom_point()+facet_grid(CALENDARIO~NATURALEZA)+
theme_bw()
Icfes2 %>%
ggplot(aes(y = PROMMATEMATICA,x=DEPARTAMENTO,
fill=DEPARTAMENTO))+
geom_boxplot()+ theme(legend.position = "none",
axis.text.x = element_text(angle = 90))